bayesopt

ベイズ最適化を使用した最適な機械学習のハイパーパラメーターの選択

ページ内をすべて折りたたむ

構文

结果= bayesopt(有趣,var)

结果= bayesopt(有趣,var、名称、值)

説明

例

结果= bayesopt (有趣的，var）は,乐趣(var)を最小化するvarの値を求めようとします。

メモ

目的関数に追加のパラメーターを含めるには,関数のパラメーター化を参照してください。

例

结果= bayesopt (有趣的，var，名称,值）は,引数名称,值に従って最適化プロセスを修正します。

例

すべて折りたたむ

`bayesopt`の使用による`BayesianOptimization`オブジェクトの作成

ライブスクリプトを開く

この例では,bayesoptを使用して交差検証損失を最小化することによりBayesianOptimizationオブジェクトを作成する方法を示します。

电离层データに対し,然而分類器のハイパーパラメーターを最適化,つまり,交差検証損失が最小になる资讯のハイパーパラメーターを求めます。bayesoptで次のハイパーパラメーターに対する最小化を行います。

1 ~ 30の最近傍サイズ。
距離関数“chebychev”、“欧几里得”および闵可夫斯基的

再現性を得るため,乱数シードと分割を設定し,AcquisitionFunctionNameオプションを“expected-improvement-plus”に設定します。反復表示を非表示にするには“详细”を0に設定します。このデータを組み込む無名関数として有趣的を作成して,区分cと近似データXおよびYを目的関数有趣的に渡します。関数のパラメーター化を参照してください。

负载电离层rng默认的num = optimizableVariable (“n”(1、30),“类型”，“整数”）;dst = optimizableVariable (dst的, {“chebychev”，“欧几里得”，闵可夫斯基的}，“类型”，“分类”）;c = cvpartition (351“Kfold”5);有趣= @ (x) kfoldLoss (fitcknn (x, Y,“CVPartition”c“NumNeighbors”x.n,.．.“距离”char (x.dst),“NSMethod”，“详尽”））;结果= bayesopt(有趣,(num, dst),“详细”0,.．.“AcquisitionFunctionName”，“expected-improvement-plus”）

results = BayesianOptimization with properties: ObjectiveFcn: [function_handle] VariableDescriptions: [1x2 optimizableVariable] Options: [1x1 struct] MinObjective: 0.1197 XAtMinObjective: [1x2 table] minestimatedobjobjective: 0.1213 xatminestimatedobjobjective: [1x2 table] numobjectiveevalues:30 TotalElapsedTime: 83.2599 NextPoint:[1 x2表]XTrace: [30 x2表]ObjectiveTrace: [30 x1双]ConstraintsTrace: [] UserDataTrace: {30 x1细胞}ObjectiveEvaluationTimeTrace: [30 x1双]IterationTimeTrace: [30 x1双]ErrorTrace: [30 x1双]FeasibilityTrace: [30 x1逻辑]FeasibilityProbabilityTrace: [30 x1双]IndexOfMinimumTrace: [30 x1双]ObjectiveMinimumTrace:[30x1 double] EstimatedObjectiveMinimumTrace: [30x1 double]

連結制約があるベイズ最適化

スクリプトを開く

連結制約は,目的関数を評価することによってのみ評価できる制約です。このケースでは,目的関数はSVMモデルの交差検証損失です。連結制約は,「サポートベクターの個数が 100 を超えない」です。モデルの詳細については、bayesoptを使用した交差検証済みSVM分類器の最適化を参照してください。

分類用のデータを作成します。

rng默认的grnpop = mvnrnd((1,0)、眼睛(2),10);redpop = mvnrnd([0, 1],眼(2),10);redpts = 0 (100 2);grnpts = redpts;为i = 1:10 0 grnpts(我:)= mvnrnd (grnpop(兰迪(10):)、眼睛(2)* 0.02);redpts(我)= mvnrnd (redpop(兰迪(10):)、眼睛(2)* 0.02);结束cdata = [grnpts; redpts];grp = 1 (200 1);grp (101:200) = 1;c = cvpartition (200“KFold”10);σ= optimizableVariable (“σ”(1 e-5, 1 e5),“转换”，“日志”）;盒= optimizableVariable (“盒子”(1 e-5, 1 e5),“转换”，“日志”）;

目的関数は,分割cにおけるSVMモデルの交差検証損失です。連結制約は,サポートベクターの個数から 100.5 を減算した値です。このようにすると、100 個のサポートベクターでは負の制約値、101 個のサポートベクターでは正の制約値になります。モデルには 200 個のデータ点があるので、連結制約の値の範囲は -99.5 (少なくとも 1 つのサポートベクターが常にあります) から 99.5 になります。正の値は、制約が満たされないことを意味します。

函数[objective,constraint] = mysvmfun(x,cdata,grp,c)“KernelFunction”，“rbf”，.．.“BoxConstraint”x.box,.．.“KernelScale”, x.sigma);cvModel = crossval (SVMModel,“CVPartition”c);目标= kfoldLoss (cvModel);约束=总和(SVMModel.IsSupportVect万博1manbetxor) -100.5;

このデータを組み込む無名関数として有趣的を作成して,区分cと近似データcdataおよびgrpを目的関数有趣的に渡します。関数のパラメーター化を参照してください。

有趣= @ (x) mysvmfun (x, cdata, grp, c);

連結制約があることをオプティマイザーが認識できるようにするため,NumCoupledConstraintsを1に設定します。制約モデルをプロットするようにオプションを設定します。

结果= bayesopt(有趣,σ,盒子,“IsObjectiveDeterministic”,真的,.．.“NumCoupledConstraints”，1，“PlotFcn”，.．.{@plotMinObjective, @plotConstraintModels},.．.“AcquisitionFunctionName”，“expected-improvement-plus”，“详细”, 0);

ほとんどの点でサポートベクターが実行不可能な数になります。

並列ベイズ最適化

この例では次を使用します:

ライブスクリプトを開く

目的関数を並列評価することにより,ベイズ最適化を高速化します。

ベイズ最適化の目的関数と変数を準備します。

目的関数は電離層データの交差検証誤差率であり,バイナリ分類問題です。分類器としてfitcsvmを使用し,最適化するパラメーターとしてBoxConstraintとKernelScaleを使用します。

负载电离层盒= optimizableVariable (“盒子”(1的军医,1 e3),“转换”，“日志”）;kern = optimizableVariable (“仁”(1的军医,1 e3),“转换”，“日志”）;var =(盒子,kern);有趣= @ (var) kfoldLoss (fitcsvm (X, Y,“BoxConstraint”vars.box,“KernelScale”vars.kern,.．.“Kfold”5));

並列ベイズ最適化を使用して,交差検証誤差が最小になるパラメーターを求めます。

结果= bayesopt (var,有趣“UseParallel”,真正的);

复制目标函数给工人…完成向工人复制目标函数。

|===============================================================================================================| | Iter | |活跃Eval客观客观| | | BestSoFar | BestSoFar盒| | kern | | |工人结果| | |运行时|(观察)| (estim) | | ||===============================================================================================================| | 1 | 2 |接受| 0.2735 | 0.56171 | 0.13105 | 0.13108 | 0.0002608 | 0.2227 | | 2 | 2 |接受| 0.35897 | 0.4062 | 0.13105 | 0.13108 | 3.6999 | 344.01 | | 3 | 2 |接受| 0.13675 | 0.42727 | 0.13105 | 0.13108 | 0.33594 | 0.39276 | |4 | 2 |接受| 0.35897 | 0.4453 | 0.13105 | 0.13108 | 0.014127 | 449.58 | | 5 | 2 |最佳| 0.13105 | 0.45503 | 0.13105 | 0.13108 | 0.29713 | 1.0859 |

| 6 | 6 |接受| 0.35897 | 0.16605 | 0.13105 | 0.13108 | 8.1878 | 256.9 |

| 7 | 5 |最佳| 0.11396 | 0.51146 | 0.11396 | 0.11395 | 8.7331 | 0.7521 | | 8 | 5 b|接受| 0.14245 | 0.24943 | 0.11396 | 0.11395 | 0.0020774 | 0.022712 |

| 9 | 6 |最佳| 0.10826 | 4.0711 | 0.10826 | 0.10827 | 0.0015925 | 0.0050225 |

| 10 | 6 |接受| 0.25641 | 16.265 | 0.10826 | 0.10829 | 0.00057357 | 0.00025895 |

| 11 | 6 |接受| 0.1339 | 15.581 | 0.10826 | 0.10829 | 1.4553 | 0.011186 |

| 12 | 6 |接受| 0.16809 | 19.585 | 0.10826 | 0.10828 | 0.26919 | 0.00037649 |

| 13 | 6 |接受| 0.20513 | 18.637 | 0.10826 | 0.10828 | 369.59 | 0.099122 |

| 14 | 6 |接受| 0.12536 | 0.11382 | 0.10826 | 0.10829 | 5.7059 | 2.5642 |

| 15 | 6 |接受| 0.13675 | 2.63 | 0.10826 | 0.10828 | 984.19 | 2.2214 |

| 16 | 6 |接受| 0.12821 | 2.0743 | 0.10826 | 0.11144 | 0.0063411 | 0.0090242 |

| 17 | 6 |接受| 0.1339 | 0.1939 | 0.10826 | 0.11302 | 0.00010225 | 0.0076795 |

| 18 | 6 |接受| 0.12821 | 0.20933 | 0.10826 | 0.11376 | 7.7447 | 1.2868 |

| | 4 | 19日接受| 0.55556 | 17.564 | 0.10826 | 0.10828 | 0.0087593 | 0.00014486 | | 20 | 4 |接受| 0.1396 | 16.473 | 0.10826 | 0.10828 | 0.054844 | 0.004479  | |===============================================================================================================| | Iter | |活跃Eval客观客观| | | BestSoFar | BestSoFar |box | kern | | | workers | result | | runtime | (observed) | (estim.) | | | |===============================================================================================================| | 21 | 4 | Accept | 0.1339 | 0.17127 | 0.10826 | 0.10828 | 9.2668 | 1.2171 |

| 22 | 4 |接受| 0.12821 | 0.089065 | 0.10826 | 0.10828 | 12.265 | 8.5455 |

| 23 | 4 |接受| 0.12536 | 0.073586 | 0.10826 | 0.10828 | 1.3355 | 2.8392 |

| 24 | 4 |接受| 0.12821 | 0.08038 | 0.10826 | 0.10828 | 131.51 | 16.878 |

| 25 | 3 |接受| 0.11111 | 10.687 | 0.10826 | 0.10867 | 1.4795 | 0.041452 | | 26 | 3 |接受| 0.13675 | 0.18626 | 0.10826 | 0.10867 | 2.0513 | 0.70421 |

| 27 | 6 |接受| 0.12821 | 0.078559 | 0.10826 | 0.10868 | 980.04 | 44.19 |

| 28 | 5 |接受| 0.33048 | 0.089844 | 0.10826 | 0.10843 | 0.41821 | 10.208 | | 29 | 5 |接受| 0.16239 | 0.12688 | 0.10826 | 0.10843 | 172.39 | 141.43 |

| 30 | 5 |接受| 0.11966 | 0.14597 | 0.10826 | 0.10846 | 639.15 | 14.75 |

__________________________________________________________ 优化完成。maxobjective达到30个。总函数计算:30总运行时间:48.2085秒。总目标函数评价时间:128.3472最佳观测可行点:box kern _________ _________ 0.0015925 0.0050225观测目标函数值= 0.10826估计目标函数值= 0.10846函数评价时间= 4.0711最佳估计可行点(根据模型):box kern _________ _________ 0.0015925 0.0050225估计的目标函数值= 0.10846估计的函数评价时间= 2.8307

関数bestPointを使用して,ベイズモデル结果内の最良の実行可能点を取得します。既定の基準min-visited-upper-confidence-intervalを使用します。この基準では,目的関数の値に対して信頼区間の上限を最小化する探索済みの点が最良の実行可能点になります。

zb = bestPoint(结果)

zb =1×2表框kern _________ _________ 0.0015925 0.0050225

テーブルzbには,名前と値のペアの引数“BoxConstraint”および“KernelScale”に最適な推定値が格納されます。これらの値を使用して,最適化された新しい分類器に学習をさせます。

Mdl = fitcsvm (X, Y,“BoxConstraint”zbest.box,“KernelScale”, zbest.kern);

最適なパラメーターがMdlに含まれていることを確認します。

Mdl.BoxConstraints (1)

ans = 0.0016

Mdl.KernelParameters.Scale

ans = 0.0050

入力引数

すべて折りたたむ

`有趣的`- - - - - -目的関数
関数ハンドル|`价值`が関数ハンドルである`parallel.pool.Constant`

目的関数。関数ハンドルを指定するか、名前と値のペアUseParallelが真正的である場合は,价值が関数ハンドルであるparallel.pool.Constant(并行计算工具箱)を指定します。通常有趣的は,学習を制御するための調整可能なハイパーパラメーターがある,機械学習モデルの損失の尺度(誤分類誤差など)を返します。有趣的のシグネチャは次のとおりです。

目标=乐趣(x)%或(目标、约束)(x) =乐趣%或(目标、约束、用户数据)(x) =乐趣

有趣的は1行D列の変数値テーブルxを受け入れ,目的関数値有趣的(x)を表す実数スカラー客观的を返します。

オプションとして,有趣的は以下も返します。

约束。連結制約違反が格納されている実数ベクトル。定義については,連結制約を参照してください。约束(j) > 0の場合,制約jに違反しています。约束(j) < 0の場合,制約jは満たされています。
用户数据。任意のタイプ(スカラー,行,列構造体,オブジェクトなど)のエンティティ。用户数据を使用するカスタムプロット関数の例については,カスタムプロット関数の作成を参照してください。

bayesoptにおけるparallel.pool.Constantの使用の詳細については,ワーカーへの目的関数の配置を参照してください。

例:@objfun

データ型:function_handle

`var`- - - - - -変数の説明
調整対象のハイパーパラメーターを定義する`optimizableVariable`オブジェクトのベクトル

変数の説明。調整対象のハイパーパラメーターを定義するoptimizableVariableオブジェクトのベクトルを指定します。

例:(X1, X2)。ここでX1とX2はoptimizableVariableオブジェクト

名前と値のペアの引数

オプションの名称,值引数のコンマ区切りペアを指定します。的名字は引数名で,价值は対応する値です。的名字は引用符で囲まなければなりません。Name1, Value1,…,的家のように,複数の名前と値のペアの引数を,任意の順番で指定できます。

例:结果= bayesopt(乐趣、var AcquisitionFunctionName, expected-improvement-plus)

アルゴリズムの制御

すべて折りたたむ

`“AcquisitionFunctionName”`- - - - - -次の評価点を選択するための関数
`“expected-improvement-per-second-plus”`(既定値) |`“expected-improvement”`|`“expected-improvement-plus”`|`“expected-improvement-per-second”`|`“lower-confidence-bound”`|`“probability-of-improvement”`

次の評価点を選択するための関数。リストされている選択肢のいずれかを指定します。

オブジェクト関数のランタイムによって最適化が異なるので,名前に每秒が含まれている獲得関数は,再現性がある結果を生成しません。名前に+が含まれている獲得関数は,領域を過剰利用している場合に動作を変更します。詳細は,獲得関数のタイプを参照してください。

例:“AcquisitionFunctionName”、“expected-improvement-per-second”

`“IsObjectiveDeterministic”`- - - - - -確定的目的関数の指定
`假`(既定値) |`真正的`

確定的目的関数の指定。假または真正的を指定します。有趣的が確率的である(つまり同じxに対して異なる値を有趣的(x)が返す可能性がある)場合は,IsObjectiveDeterministicを假に設定します。この場合,bayesoptは最適化時にノイズレベルを推定します。

例:“IsObjectiveDeterministic”,真的

データ型:逻辑

`“ExplorationRatio”`- - - - - -調査の傾向
`0．5`(既定値) |正の実数

調査の傾向。正の実数を指定します。“expected-improvement-plus”および“expected-improvement-per-second-plus”の獲得関数に適用されます。プラスを参照してください。

例:“ExplorationRatio”,0.2

データ型:双

`“GPActiveSetSize”`- - - - - -`GPActiveSetSize`個以下の点へのガウス過程モデルのあてはめ
`300`(既定値) |正の整数

GPActiveSetSize個以下の点へのガウス過程モデルのあてはめ。正の整数を指定します。bayesoptがGPActiveSetSize個を超える点に到達した場合,GPモデルを使用する以後の反復ではGPActiveSetSize個の点にモデルがあてはめられます。bayesoptは,到達した点の中から無作為な点を一様に非復元抽出で選択します。使用する点の数が少なくなるとGPモデルのあてはめが高速になりますが,代償として精度が低下する可能性があります。

例:“GPActiveSetSize”,80年

データ型:双

`“UseParallel”`- - - - - -並列計算
`假`(既定値) |`真正的`

並列計算。假(並列計算を行わない)または真正的(並列計算を行う)を指定します。bayesoptは並列ワーカー上で,目的関数の並列評価を同時実行します。アルゴリズムの詳細については,並列ベイズ最適化を参照してください。

例:“UseParallel”,真的

データ型:逻辑

`“ParallelMethod”`- - - - - -並列ワーカーの目的関数値への補定法
`“clipped-model-prediction”`(既定値) |`模型预测的`|`“max-observed”`|`“min-observed”`

並列ワーカーの目的関数値への補定法。“clipped-model-prediction”、模型预测的、“max-observed”または“min-observed”を指定します。新しい評価対象点を生成するため,bayesoptはワーカーで評価されている点を含むすべての点にガウス過程をあてはめます。ガウス過程をあてはめるため,bayesoptは現在ワーカー上にある点に目的関数の値を補完します。ParallelMethodは,補定に使用する方法を指定します。

“clipped-model-prediction”——次の数量の最大値を補定します。
- 点xにおけるガウス過程予測の平均
- 到達した実行可能点で観測された最小の目的関数
- すべての実行可能点における最小のモデル予測
模型预测的- - - - - -点xにおけるガウス過程予測の平均を補定します。
“max-observed”——実行可能点で観測された目的関数の最大値を補定します。
“min-observed”——実行可能点で観測された目的関数の最小値を補定します。

例:“ParallelMethod”、“max-observed”

`“MinWorkerUtilization”`- - - - - -アクティブな並列ワーカーの個数の許容誤差
`地板(0.8 * Nworkers)`(既定値) |正の整数

アクティブな並列ワーカーの個数の許容誤差。正の整数を指定します。bayesoptは,評価対象の点を割り当てた後で,新しい割り当て対象の点を計算する前に,アクティブなワーカーの個数がMinWorkerUtilization未満であるかどうかをチェックします。そうである場合,bayesoptは範囲内の無作為な点をすべての使用可能なワーカーに割り当てます。それ以外の場合,bayesoptは1つのワーカーについて最適な点を計算します。bayesoptが無作為な点を作成する速度は点をあてはめる場合よりはるかに高速なので,この動作によりワーカーの使用率が向上しますが,点が適切ではなくなる可能性があるという代償があります。詳細については,並列ベイズ最適化を参照してください。

例:“MinWorkerUtilization”,3

データ型:双

開始と停止

すべて折りたたむ

`“MaxObjectiveEvaluations”`- - - - - -目的関数の評価制限
`30.`(既定値) |正の整数

目的関数の評価制限。正の整数を指定します。

例:“MaxObjectiveEvaluations”,60

データ型:双

`“MaxTime”`- - - - - -制限時間
`正`(既定値) |正の実数

制限時間。正の実数を指定します。制限時間の単位は、抽搐とtocによって測定される秒です。

bayesoptは関数評価を中断させないため,実行時間がMaxTimeを超える可能性があります。

例:“MaxTime”,3600年

データ型:双

`“NumSeedPoints”`- - - - - -初期評価点の個数
`4`(既定値) |正の整数

初期評価点の個数。正の整数を指定します。bayesoptは,各変数の变换の設定に従って(“没有”の場合は均等に,“日志”の場合は対数間隔で),変数の範囲内で評価点を無作為に選択します。

例:“NumSeedPoints”,10

データ型:双

制約

すべて折りたたむ

`“XConstraintFcn”`- - - - - -変数の確定的制約
`［］`(既定値) |関数ハンドル

変数の確定的制約。関数ハンドルを指定します。

詳細は,確定的制約——XConstraintFcnを参照してください。

例:XConstraintFcn, @xconstraint

データ型:function_handle

`“ConditionalVariableFcn”`- - - - - -変数の条件付き制約
`［］`(既定値) |関数ハンドル

変数の条件付き制約。関数ハンドルを指定します。

詳細は,条件付き制約——ConditionalVariableFcnを参照してください。

例:ConditionalVariableFcn, @condfun

データ型:function_handle

`“NumCoupledConstraints”`- - - - - -連結制約の個数
`0`(既定値) |正の整数

連結制約の個数。正の整数を指定します。詳細は、連結制約を参照してください。

メモ

連結制約がある場合,NumCoupledConstraintsは必須です。

例:“NumCoupledConstraints”,3

データ型:双

`“AreCoupledConstraintsDeterministic”`- - - - - -連結制約が確定的かどうかの指標
すべての連結制約に対して`真正的`(既定値) |逻辑ベクトル

連結制約が確定的かどうかの指標。長さNumCoupledConstraintsの逻辑ベクトルを指定します。詳細は,連結制約を参照してください。

例:“AreCoupledConstraintsDeterministic”(真的,假,真的)

データ型:逻辑

レポート,プロットおよび中断

すべて折りたたむ

`“详细”`- - - - - -コマンドラインの表示レベル
`1`(既定値) |`0`|`2`

コマンドラインの表示レベル。0、1または2を指定します。

0——コマンドラインの表示を行いません。
1——各反復について,反復回数,結果レポート(次の段落を参照),目的関数のモデル,目的関数の評価時間,観測された目的関数の最良(最小)値,目的関数の最良(最小)推定値,および観測された制約値(存在する場合)を表示します。並列で最適化を行う場合,ジョブを次のワーカーに割り当てた後でカウントしたアクティブなワーカーの個数を示す列も表示に含まれます。
各反復の結果レポートは以下のいずれかになります。
- 接受——目的関数が有限値を返し,すべての制約が満たされています。
- 最好的——制約が満たされており,目的関数は実行可能点の最小値を返します。
- 错误——有限の実数スカラーではない値を目的関数が返しました。
- Infeas——少なくとも1つの制約に違反しています。
2- - - - - -1と同じ情報に加えて,次の点を選択するための時間,モデルをあてはめた時間,“+”の獲得関数で過剰利用が判断されたかどうか,並列利用率が低いため無作為な点に並列ワーカーが割り当てられているかどうかなどの診断情報も表示します。

例:“详细”,2

データ型:双

`“OutputFcn”`- - - - - -各反復後に呼び出される関数
`｛｝`(既定値) |関数ハンドル|関数ハンドルの细胞配列

各反復後に呼び出される関数。関数ハンドルまたは関数ハンドルの cell 配列を指定します。出力関数では、ソルバーを停止させることができ、変数の作成やプロットなど任意の計算を実行できます。複数の出力関数を指定するには、関数ハンドルの cell 配列を使用します。

2つの組み込み出力関数があります。

@assignInBase——各反復でBayesianOptimizationのインスタンスを構築し,ベースワークスペース内の変数に割り当てます。名前と値のペアSaveVariableNameを使用して変数名を選択します。
@saveToFile——各反復でBayesianOptimizationのインスタンスを構築し,現在のフォルダー内のファイルに保存します。名前と値のペアSaveFileNameを使用してファイル名を選択します。

独自の出力関数を作成できます。詳細は,ベイズ最適化の出力関数を参照してください。

例:OutputFcn, {@saveToFile @myOutputFunction}

データ型:细胞|function_handle

`“SaveFileName”`- - - - - -出力関数`@saveToFile`のファイル名
`“BayesoptResults.mat”`(既定値) |文字ベクトル|字符串スカラー

出力関数@saveToFileのファイル名。文字ベクトルまたは字符串スカラーを指定します。ファイル名には“. . /优化/ September2.mat”などのパスを含めることができます。

例:“SaveFileName”、“September2.mat”

データ型:字符|字符串

`“SaveVariableName”`- - - - - -出力関数`@assignInBase`の変数名
`“BayesoptResults”`(既定値) |文字ベクトル|字符串スカラー

出力関数@assignInBaseの変数名。文字ベクトルまたは字符串スカラーを指定します。

例:“SaveVariableName”、“September2Results”

データ型:字符|字符串

`“PlotFcn”`- - - - - -各反復後に呼び出されるプロット関数
`{@plotObjectiveModel, @plotMinObjective}`(既定値) |`“所有”`|関数ハンドル|関数ハンドルの细胞配列

各反復後に呼び出されるプロット関数。“所有”,関数ハンドル,または関数ハンドルの细胞配列を指定します。プロット関数では,ソルバーを停止させることができ,変数の作成など任意の計算をプロットに加えて実行できます。

プロット関数を使用しない場合は［］を指定します。

“所有”の場合,すべての組み込みプロット関数が呼び出されます。複数のプロット関数を指定するには,関数ハンドルの细胞配列を使用します。

組み込みプロット関数を次の表に示します。

モデルプロット- D≤2の場合に適用	説明
`@plotAcquisitionFunction`	獲得関数の表面をプロットします。
`@plotConstraintModels`	各制約モデルの表面をプロットします。負の値は実行可能点を示します。 P(実行可能)表面もプロットします。存在する場合は`1`から`1`の範囲のエラーモデルもプロットします。負の値はモデルでエラーが発生する可能性が低いことを,正の値はエラーが発生する可能性が高いことを意味します。モデルは以下のようになります。绘制误差= 2*概率(误差)- 1。
`@plotObjectiveEvaluationTimeModel`	目的関数の評価時間モデルの表面をプロットします。
`@plotObjectiveModel`	`有趣的`モデルの表面,最小値の推定位置,および次に評価する予定になっている点の位置をプロットします。1次元問題の場合、平均関数から 1 信頼区間分上下と平均から 1 ノイズ標準偏差分上下に包絡線をプロットします。

トレースプロット——すべてのDに適用	説明
`@plotObjective`	観測された各関数値と関数評価の個数の関係をプロットします。
`@plotObjectiveEvaluationTime`	観測された各関数評価の実行時間と関数評価の個数の関係をプロットします。
`@plotMinObjective`	観測および推定された最小の関数値と関数評価の個数の関係をプロットします。
`@plotElapsedTime`	最適化の合計経過時間,関数評価の合計時間,モデリングおよび点選択の合計時間という3つの曲線を関数評価の個数に対する関係としてプロットします。

独自のプロット関数を作成できます。詳細は,ベイズ最適化のプロット関数を参照してください。

メモ

連結制約がある場合,反復表示とプロット関数は次のような直観的ではない結果を与える可能性があります。

"最小目的"のプロットが増加する。
最適化において,以前に実行可能点が示された場合でも,問題が実行不可能であると宣言される場合がある。

このようになるのは,点が実行可能かどうかの判断が最適化の進行に応じて変化する可能性があるためです。bayesoptは制約モデルに関して実行可能性を判断しますが,このモデルはbayesoptが点を評価すると変化します。したがって,最小の点が後から実行不可能と判断された場合は”最小目的“プロットが増加し,反復表示には,後から実行不可能と判断される実行可能点が表示される可能性があります。

例:“PlotFcn”、“所有”

データ型:字符|字符串|细胞|function_handle

初期化

すべて折りたたむ

`“InitialX”`- - - - - -初期評価点
範囲内にある`NumSeedPoints`行`D`列のランダムな初期点(既定値) |`N`行`D`列のテーブル

初期評価点。N行D列のテーブルを指定します。Nは評価点の個数,Dは変数の個数です。

メモ

InitialXのみを指定した場合,評価対象の初期点として解釈されます。目的関数はInitialXで評価されます。

他の初期化パラメーターも指定した場合,InitialXは事前関数評価データとして解釈されます。目的関数は評価されません。欠損値は南に設定されます。

データ型:表格

`“InitialObjective”`- - - - - -`InitialX`に対応する目的関数の値
`［］`(既定値) |長さ`N`のベクトル

InitialXに対応する目的関数の値。長さNのベクトルを指定します。Nは評価点の個数です。

例:“InitialObjective”,(17;3;-12.5)

データ型:双

`“InitialConstraintViolations”`- - - - - -連結制約の制約違反
`［］`(既定値) |`N`行`K`列の行列

連結制約の制約違反。N行K列の行列を指定します。Nは評価点の個数,Kは連結制約の個数です。詳細は,連結制約を参照してください。

データ型:双

`“InitialErrorValues”`- - - - - -`InitialX`のエラー
`［］`(既定値) |入力が`－1`または`1`である長さ`N`のベクトル

InitialXのエラー。入力が－1または1である長さNのベクトルを指定します。Nは評価点の個数です。エラーなしの場合は－1,エラーの場合は1を指定します。

例:“InitialErrorValues”,[1,1,1,1,1)

データ型:双

`“InitialUserData”`- - - - - -`InitialX`に対応する初期データ
`［］`(既定値) |長さ`N`の细胞ベクトル

InitialXに対応する初期データ。長さNの细胞ベクトルを指定します。Nは評価点の個数です。

例:InitialUserData,{2、3、1}

データ型:细胞

`“InitialObjectiveEvaluationTimes”`- - - - - -`InitialX`における目的関数の評価時間
`［］`(既定値) |長さ`N`のベクトル

InitialXにおける目的関数の評価時間。長さNのベクトルを指定します。Nは評価点の個数です。時間の単位は秒です。

データ型:双

`“InitialIterationTimes”`- - - - - -最初の`N`回の反復の時間
`｛｝`(既定値) |長さ`N`のベクトル

最初のN回の反復の時間。長さNのベクトルを指定します。Nは評価点の個数です。時間の単位は秒です。

データ型:双

出力引数

すべて折りたたむ

`结果`——ベイズ最適化の結果
`BayesianOptimization`オブジェクト

ベイズ最適化の結果。BayesianOptimizationオブジェクトとして返されます。

詳細

すべて折りたたむ

連結制約

連結制約は,その値が目的関数の計算に由来する制約です。連結制約を参照してください。

ヒント

次のいずれかの条件が存在する場合,ベイズ最適化は再現可能ではありません。
- “expected-improvement-per-second”のような,名前に每秒が含まれている獲得関数を指定する。修飾子每秒は,最適化が目的関数の実行時に依存することを示します。詳細は,獲得関数のタイプを参照してください。
- ベイズ最適化を並列実行するよう指定する。並列でのタイミングに再現性がないため,並列ベイズ最適化で再現性のある結果が生成されるとは限りません。詳細は,並列ベイズ最適化を参照してください。

拡張機能

自動並列サポート
并行计算工具箱™を使用して自動的に並列計算を実行することで,コードを高速化します。

並列実行するには,“UseParallel”オプションを真正的に設定します。

この関数を呼び出すときに,名前と値のペアの引数“UseParallel”,真的を設定します。

並列計算の全般的な情報については,自動並列サポートを使用したMATLAB関数の実行(并行计算工具箱)を参照してください。

参考

BayesianOptimization|bestPoint|optimizableVariable

トピック

R2016bで導入

bayesopt

構文

説明

例

bayesoptの使用によるBayesianOptimizationオブジェクトの作成

連結制約があるベイズ最適化

並列ベイズ最適化

入力引数

有趣的- - - - - -目的関数関数ハンドル|价值が関数ハンドルであるparallel.pool.Constant

var- - - - - -変数の説明調整対象のハイパーパラメーターを定義するoptimizableVariableオブジェクトのベクトル

名前と値のペアの引数

“AcquisitionFunctionName”- - - - - -次の評価点を選択するための関数“expected-improvement-per-second-plus”(既定値) |“expected-improvement”|“expected-improvement-plus”|“expected-improvement-per-second”|“lower-confidence-bound”|“probability-of-improvement”

“IsObjectiveDeterministic”- - - - - -確定的目的関数の指定假(既定値) |真正的

“ExplorationRatio”- - - - - -調査の傾向0．5(既定値) |正の実数

“GPActiveSetSize”- - - - - -GPActiveSetSize個以下の点へのガウス過程モデルのあてはめ300(既定値) |正の整数

“UseParallel”- - - - - -並列計算假(既定値) |真正的

“ParallelMethod”- - - - - -並列ワーカーの目的関数値への補定法“clipped-model-prediction”(既定値) |模型预测的|“max-observed”|“min-observed”

“MinWorkerUtilization”- - - - - -アクティブな並列ワーカーの個数の許容誤差地板(0.8 * Nworkers)(既定値) |正の整数

“MaxObjectiveEvaluations”- - - - - -目的関数の評価制限30.(既定値) |正の整数

“MaxTime”- - - - - -制限時間正(既定値) |正の実数

“NumSeedPoints”- - - - - -初期評価点の個数4(既定値) |正の整数

“XConstraintFcn”- - - - - -変数の確定的制約［］(既定値) |関数ハンドル

“ConditionalVariableFcn”- - - - - -変数の条件付き制約［］(既定値) |関数ハンドル

“NumCoupledConstraints”- - - - - -連結制約の個数0(既定値) |正の整数

“AreCoupledConstraintsDeterministic”- - - - - -連結制約が確定的かどうかの指標すべての連結制約に対して真正的(既定値) |逻辑ベクトル

“详细”- - - - - -コマンドラインの表示レベル1(既定値) |0|2

“OutputFcn”- - - - - -各反復後に呼び出される関数｛｝(既定値) |関数ハンドル|関数ハンドルの细胞配列

“SaveFileName”- - - - - -出力関数@saveToFileのファイル名“BayesoptResults.mat”(既定値) |文字ベクトル|字符串スカラー

“SaveVariableName”- - - - - -出力関数@assignInBaseの変数名“BayesoptResults”(既定値) |文字ベクトル|字符串スカラー

“PlotFcn”- - - - - -各反復後に呼び出されるプロット関数{@plotObjectiveModel, @plotMinObjective}(既定値) |“所有”|関数ハンドル|関数ハンドルの细胞配列

“InitialX”- - - - - -初期評価点範囲内にあるNumSeedPoints行D列のランダムな初期点(既定値) |N行D列のテーブル

“InitialObjective”- - - - - -InitialXに対応する目的関数の値［］(既定値) |長さNのベクトル

“InitialConstraintViolations”- - - - - -連結制約の制約違反［］(既定値) |N行K列の行列

“InitialErrorValues”- - - - - -InitialXのエラー［］(既定値) |入力が－1または1である長さNのベクトル

“InitialUserData”- - - - - -InitialXに対応する初期データ［］(既定値) |長さNの细胞ベクトル

“InitialObjectiveEvaluationTimes”- - - - - -InitialXにおける目的関数の評価時間［］(既定値) |長さNのベクトル

“InitialIterationTimes”- - - - - -最初のN回の反復の時間｛｝(既定値) |長さNのベクトル

出力引数

结果——ベイズ最適化の結果BayesianOptimizationオブジェクト

詳細

連結制約

ヒント

拡張機能

自動並列サポート并行计算工具箱™を使用して自動的に並列計算を実行することで,コードを高速化します。

参考

トピック

统计和机器学习工具箱ドキュメンテーション

サポート

機械学習をマスターする:MATLABステップ・バイ・ステップガイド

`bayesopt`の使用による`BayesianOptimization`オブジェクトの作成

`有趣的`- - - - - -目的関数
関数ハンドル|`价值`が関数ハンドルである`parallel.pool.Constant`

`var`- - - - - -変数の説明
調整対象のハイパーパラメーターを定義する`optimizableVariable`オブジェクトのベクトル

`“IsObjectiveDeterministic”`- - - - - -確定的目的関数の指定
`假`(既定値) |`真正的`

`“ExplorationRatio”`- - - - - -調査の傾向
`0．5`(既定値) |正の実数

`“GPActiveSetSize”`- - - - - -`GPActiveSetSize`個以下の点へのガウス過程モデルのあてはめ
`300`(既定値) |正の整数

`“UseParallel”`- - - - - -並列計算
`假`(既定値) |`真正的`

`“ParallelMethod”`- - - - - -並列ワーカーの目的関数値への補定法
`“clipped-model-prediction”`(既定値) |`模型预测的`|`“max-observed”`|`“min-observed”`

`“MinWorkerUtilization”`- - - - - -アクティブな並列ワーカーの個数の許容誤差
`地板(0.8 * Nworkers)`(既定値) |正の整数

`“MaxObjectiveEvaluations”`- - - - - -目的関数の評価制限
`30.`(既定値) |正の整数

`“MaxTime”`- - - - - -制限時間
`正`(既定値) |正の実数

`“NumSeedPoints”`- - - - - -初期評価点の個数
`4`(既定値) |正の整数

`“XConstraintFcn”`- - - - - -変数の確定的制約
`［］`(既定値) |関数ハンドル

`“ConditionalVariableFcn”`- - - - - -変数の条件付き制約
`［］`(既定値) |関数ハンドル

`“NumCoupledConstraints”`- - - - - -連結制約の個数
`0`(既定値) |正の整数

`“AreCoupledConstraintsDeterministic”`- - - - - -連結制約が確定的かどうかの指標
すべての連結制約に対して`真正的`(既定値) |逻辑ベクトル

`“详细”`- - - - - -コマンドラインの表示レベル
`1`(既定値) |`0`|`2`

`“OutputFcn”`- - - - - -各反復後に呼び出される関数
`｛｝`(既定値) |関数ハンドル|関数ハンドルの细胞配列

`“SaveFileName”`- - - - - -出力関数`@saveToFile`のファイル名
`“BayesoptResults.mat”`(既定値) |文字ベクトル|字符串スカラー

`“SaveVariableName”`- - - - - -出力関数`@assignInBase`の変数名
`“BayesoptResults”`(既定値) |文字ベクトル|字符串スカラー

`“PlotFcn”`- - - - - -各反復後に呼び出されるプロット関数
`{@plotObjectiveModel, @plotMinObjective}`(既定値) |`“所有”`|関数ハンドル|関数ハンドルの细胞配列

`“InitialX”`- - - - - -初期評価点
範囲内にある`NumSeedPoints`行`D`列のランダムな初期点(既定値) |`N`行`D`列のテーブル

`“InitialObjective”`- - - - - -`InitialX`に対応する目的関数の値
`［］`(既定値) |長さ`N`のベクトル

`“InitialConstraintViolations”`- - - - - -連結制約の制約違反
`［］`(既定値) |`N`行`K`列の行列

`“InitialErrorValues”`- - - - - -`InitialX`のエラー
`［］`(既定値) |入力が`－1`または`1`である長さ`N`のベクトル

`“InitialUserData”`- - - - - -`InitialX`に対応する初期データ
`［］`(既定値) |長さ`N`の细胞ベクトル

`“InitialObjectiveEvaluationTimes”`- - - - - -`InitialX`における目的関数の評価時間
`［］`(既定値) |長さ`N`のベクトル

`“InitialIterationTimes”`- - - - - -最初の`N`回の反復の時間
`｛｝`(既定値) |長さ`N`のベクトル

`结果`——ベイズ最適化の結果
`BayesianOptimization`オブジェクト

自動並列サポート
并行计算工具箱™を使用して自動的に並列計算を実行することで,コードを高速化します。